大型医疗设备结构复杂,故障特征往往具有非线性、时变性和不确定性。传统的故障诊断方法难以精确提取和描述这些复杂特征,导致诊断准确率不高。因此,提出基于模糊神经网络的大型医疗设备可视化故障诊断方法。采用减法聚类对设备运行数...大型医疗设备结构复杂,故障特征往往具有非线性、时变性和不确定性。传统的故障诊断方法难以精确提取和描述这些复杂特征,导致诊断准确率不高。因此,提出基于模糊神经网络的大型医疗设备可视化故障诊断方法。采用减法聚类对设备运行数据进行合理划分,生成可以用于故障诊断的模糊规则。基于模糊神经网络构建智能诊断模型,将设备运行参数和模糊规则同步导入模型中,通过自动化推理学习诊断出设备故障类型。面向大型医疗设备建立三维可视化孪生模型,将故障诊断信息映射到其中,即可生成可视化故障诊断结果。实验结果表明:该方法诊断结果曲线下面积(Area Under the Curve,AUC)值达到了0.96,实现了对设备故障问题的准确分析。展开更多
文摘目的评估时空电阻抗断层成像(spatiotemporal electrical impedance tomography,ST-EIT)在言语发声任务下,能否有效捕捉并区分腭裂(cleft palate,CP)患者与正常对照(normal control,NC)的言语呼吸功能特征。方法本研究纳入75名受试者(CP组37例,NC组38例)。在标准化发声任务中,同步采集电阻抗断层成像(electrical impedance tomography,EIT)图像与口鼻气流信号,构建涵盖时间、气流与空间维度的三域特征,采用曼-惠特尼U检验(MannWhitney U test)比较组间差异。基于肺量计法(spirometry)、鼻音计(nasometry)及ST-EIT等多源数据,分别训练极端梯度提升(extreme gradient boosting,XGBoost)分类模型,采用5折交叉验证评估性能,并引入Shapley加性解释(Shapley additive explanations,SHAP)方法进行特征贡献分析。结果CP组呈现显著的呼吸表型差异。时间域中,吸/呼相位时长均显著缩短(P<0.001),吸/呼时间比显著升高;气流域中,呼气期平均气流与峰值气流显著增强,吸气期无明显差异;空间域中,感兴趣区(region of interest,ROI)1和4的潮气阻抗变化(tidal impedance variation,TIV)显著升高,ROI2显著降低,全局不均一性(global inhomogeneity,GI)较低,通气中心(center of ventilation,CoV)呈轻度升高。ST-EIT模型分类性能最佳,曲线下面积(area under the curve,AUC)达0.915,准确率优于单一肺功能检测或鼻音计检测。SHAP结果表明,时空特征对分类决策贡献最大。结论ST-EIT技术能有效揭示CP患者言语呼吸功能在时间-气流-空间三域的特异性改变,为床旁筛查、康复评估及随访监测提供了优于常规检测的客观量化依据。
文摘大型医疗设备结构复杂,故障特征往往具有非线性、时变性和不确定性。传统的故障诊断方法难以精确提取和描述这些复杂特征,导致诊断准确率不高。因此,提出基于模糊神经网络的大型医疗设备可视化故障诊断方法。采用减法聚类对设备运行数据进行合理划分,生成可以用于故障诊断的模糊规则。基于模糊神经网络构建智能诊断模型,将设备运行参数和模糊规则同步导入模型中,通过自动化推理学习诊断出设备故障类型。面向大型医疗设备建立三维可视化孪生模型,将故障诊断信息映射到其中,即可生成可视化故障诊断结果。实验结果表明:该方法诊断结果曲线下面积(Area Under the Curve,AUC)值达到了0.96,实现了对设备故障问题的准确分析。
